在基于深度学习的长期EEG中检测各种不同形式的各种波的有效方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 对于的检测至关重要,但对长期数据的视觉检查具有挑战性.
• 深度学习,特别是卷积网络,显示出对复杂的EEG波形进行高效分析的潜力.
• 像YOLO这样的物体检测网络提供速度和准确性,使它们适合自动信号分析.

研究的目的:

• 评估YOLO网络版本 (V3,V4,V7) 在EEG中检测性泄漏的有效性.
• 为了比较不同的YOLO模型在各种信号分类中的性能.
• 确定最适合的YOLO网络,以协助病学家进行EEG分析.

主要方法:

• 在20名患者的EEG数据上对YOLO V3,V4和V7进行评估.
• 标记了的波形成 9 种类型,然后根据特征将它们分为 4 组.
• 训练有素的YOLO网络使用四种不同的类组策略.

主要成果:

• 在所有分类方法中,YOLO-V4实现了最高的性能.
• 对于YOLO-V4的平均灵敏度,特异性和精度分别为96.7%,94.3%和92.8%.
• YOLO网络在检测和分类信号方面表现出高速度和精度.

结论:

• YOLO-V4是一种高效的工具,用于在EEG中检测性泄漏.
• YOLO网络显示出作为病学家的助理工具的希望,提高诊断效率.
• 通过形态学对YOLO信号进行分类的能力为临床应用增加了显著的价值.